跳到主要内容

# 具身记忆

2 篇关联报道

arXiv 2026年10月8日
EmbodiedRSI 用假设图与信息价值实验选择让冻结 VLA 在 RoboCasa365 达 77.0%、LIBERO-Pro 达 86.8%，并零样本迁移真机达 71.3%
EmbodiedRSI 是一个自演化智能体框架，在冻结机器人基础模型之外，用假设图维护代码与技能假设，用信息价值实验选择挑出最能区分假设的物理实验，并以代码—技能协同演化与奖励驱动的分层记忆学习把每次物理交互转化为可复用改进；在 RoboCasa365 上总体成功率 77.0%、Composite-Unseen 71.3%（最佳基线 40.1%），LIBERO-Pro 总体 86.8%，并将仿真中演化的框架零样本迁移到真机，总体成功率 71.3%。
EmbodiedRSI 是一个自演化智能体框架，在冻结机器人基础模型之外，用假设图维护代码与技能假设，用信息价值实验选择挑出最能区分假设的物理实验，并以代码—技能协同演化与奖励驱动的分层记忆学习把每次物理交互转化为可复用改进；在 RoboCasa365 上总体成功率 77.0%、Composite-Unseen 71.3%（最佳基线 40.1%），LIBERO-Pro 总体 86.8%，并将仿真中演化的框架零样本迁移到真机，总体成功率 71.3%。
Columbia University Princeton University
Python Song（第一作者）
EmbodiedRSI自进化机器人框架运行框架演化自进化智能体具身记忆仿真到现实迁移
arXiv 2026年9月29日
浙大团队发布 EMem-Bench：2,554 个长程具身任务显示最强模型 Gemini-3-Flash 平均成功率仅 64.2%，其 EMem 记忆系统把 GPT-5.4-mini 提升 23.6 个百分点
浙江大学 OmniAI 团队提出 EMem-Bench 长程具身记忆基准（2,554 个可执行 episode，覆盖被动观察、动态追踪、交互失败、经验泛化四类任务），并给出外部记忆系统 EMem 与 8B 策略 EMem-8B；评测 16 个开源与专有 MLLM 及多种多模态记忆系统后发现，最强专有模型 Gemini-3-Flash 平均成功率仅 64.2%，多数开源模型低于 45%，而 EMem 在匹配骨干下取得最佳总体表现，使 Mistral-Small-3.1-24B 提升 16.4 个百分点、GPT-5.4-mini 提升 23.6 个百分点，EMem-8B 相对 Qwen3-VL-8B 提升 20.6 个百分点。
浙江大学 OmniAI 团队提出 EMem-Bench 长程具身记忆基准（2,554 个可执行 episode，覆盖被动观察、动态追踪、交互失败、经验泛化四类任务），并给出外部记忆系统 EMem 与 8B 策略 EMem-8B；评测 16 个开源与专有 MLLM 及多种多模态记忆系统后发现，最强专有模型 Gemini-3-Flash 平均成功率仅 64.2%，多数开源模型低于 45%，而 EMem 在匹配骨干下取得最佳总体表现，使 Mistral-Small-3.1-24B 提升 16.4 个百分点、GPT-5.4-mini 提升 23.6 个百分点，EMem-8B 相对 Qwen3-VL-8B 提升 20.6 个百分点。
Zhejiang University Central South University Chinese Academy of Sciences
Lizhou Liang（第一作者）
EMem-Bench具身记忆基准 Embodied-Memorizer具身记忆系统具身记忆智能体记忆

已读完全部报道